本發(fā)明屬于氣象預(yù)報(bào)技術(shù)領(lǐng)域，尤其是一種基于遺傳算法改進(jìn)的多模式污染物集成預(yù)報(bào)方法。

背景技術(shù)：

隨著大氣污染問(wèn)題日益嚴(yán)峻，大氣污染物預(yù)報(bào)已經(jīng)成為科學(xué)研究的重點(diǎn)。目前大氣污染預(yù)報(bào)方法主要分為統(tǒng)計(jì)預(yù)報(bào)和數(shù)值預(yù)報(bào),統(tǒng)計(jì)預(yù)報(bào)是利用數(shù)理統(tǒng)計(jì)方法針對(duì)大氣污染物進(jìn)行預(yù)報(bào)。數(shù)值預(yù)報(bào)是根據(jù)大氣實(shí)際情況，在一定條件下用計(jì)算機(jī)作數(shù)值計(jì)算進(jìn)行預(yù)測(cè)。國(guó)內(nèi)針對(duì)大氣污染物的預(yù)報(bào)研究大多采用數(shù)值預(yù)報(bào)模式且已經(jīng)得到廣泛應(yīng)用。但由于各個(gè)數(shù)值模式化學(xué)參數(shù)化方案、動(dòng)力框架等方面存在差異，使得各個(gè)模式在預(yù)報(bào)能力上存在不同，多模式集成技術(shù)正是利用各模式中心預(yù)報(bào)的結(jié)果減少模式系統(tǒng)性的偏差，現(xiàn)已作為大氣污染物預(yù)報(bào)的一個(gè)重要發(fā)展方向。

迄今為止，人們已經(jīng)提出許多集成預(yù)報(bào)方法。陳煥盛等采用多元線性回歸方法集成各空氣質(zhì)量模式預(yù)報(bào)大氣污染物濃度,試驗(yàn)結(jié)果表明集成預(yù)報(bào)模式優(yōu)于單個(gè)預(yù)報(bào)模式。張偉建立了神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型,結(jié)果表明預(yù)報(bào)精度相對(duì)較高。秦珊珊提出基于人工智能優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，對(duì)pm2.5的濃度進(jìn)行預(yù)報(bào)。zhangping等用改進(jìn)的bp人工神經(jīng)網(wǎng)絡(luò)并結(jié)合地理信息評(píng)價(jià)pm2.5的預(yù)報(bào)效果，結(jié)果顯示當(dāng)隱含層神經(jīng)元數(shù)量為20時(shí)有較高的精度。潘璇等構(gòu)建遺傳算法模型針對(duì)氣象因素進(jìn)行預(yù)測(cè)，預(yù)報(bào)結(jié)果顯示平均誤差相對(duì)較小。sun等通過(guò)實(shí)驗(yàn)驗(yàn)證了基于svm的空氣質(zhì)量預(yù)報(bào)模型(pm2.5)能有效應(yīng)用于大氣污染物濃度預(yù)測(cè),但在極端情況下預(yù)報(bào)精度有所下降。

總的來(lái)說(shuō)，多模式集成預(yù)報(bào)的研究成果多采用線性回歸、機(jī)器學(xué)習(xí)等方法進(jìn)行預(yù)報(bào)。線性回歸模型無(wú)法很好地解決非線性問(wèn)題，而神經(jīng)網(wǎng)絡(luò)能較好地解決非線性關(guān)系問(wèn)題，非線性擬合能力較強(qiáng)，但其中bp神經(jīng)網(wǎng)絡(luò)算法缺陷是學(xué)習(xí)速度較慢、訓(xùn)練過(guò)程會(huì)陷入局部最小及不能確定隱層的神經(jīng)元個(gè)數(shù)問(wèn)題；而遺傳算法缺陷是訓(xùn)練時(shí)間較長(zhǎng)，訓(xùn)練過(guò)程中容易出現(xiàn)早熟，不能收斂到最優(yōu)解問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出一種設(shè)計(jì)合理、性能穩(wěn)定且精度高的基于遺傳算法改進(jìn)的多模式污染物集成預(yù)報(bào)方法。

本發(fā)明解決其技術(shù)問(wèn)題是采取以下技術(shù)方案實(shí)現(xiàn)的：

一種基于遺傳算法改進(jìn)的多模式污染物集成預(yù)報(bào)方法，包括以下步驟：

步驟1、對(duì)原始樣本進(jìn)行數(shù)據(jù)整理并處理極大、極小及缺失數(shù)據(jù)；

步驟2、對(duì)處理后的樣本進(jìn)行顯著性檢驗(yàn)，采用偏差、相關(guān)性選取單模式；

步驟3、引入遺傳算子改進(jìn)極限學(xué)習(xí)機(jī)；

步驟4：采用極限學(xué)習(xí)機(jī)改進(jìn)遺傳算法進(jìn)行大氣污染物集成優(yōu)化預(yù)報(bào)。

進(jìn)一步，所述步驟1的具體方法為：在分季節(jié)預(yù)報(bào)基礎(chǔ)上找到預(yù)報(bào)時(shí)刻最近30天的歷史數(shù)據(jù)作為訓(xùn)練樣本，使得待集成數(shù)據(jù)所對(duì)應(yīng)訓(xùn)練樣本均為滾動(dòng)更新，每個(gè)樣本的實(shí)況值為網(wǎng)絡(luò)訓(xùn)練的輸出，輸出層神經(jīng)元為1。

進(jìn)一步，所述步驟2的具體方法為：針對(duì)不同季節(jié)分別進(jìn)行單模式的選取，所用方法在滿足顯著性檢驗(yàn)基礎(chǔ)上，針對(duì)不同模式以及實(shí)況值通過(guò)相對(duì)偏差sd和相關(guān)系數(shù)r進(jìn)行篩選，計(jì)算公式如下：

式中，cp為模式模擬值，co為觀測(cè)值，表示所有數(shù)據(jù)的平均，σo、σp分別表示觀測(cè)值和模擬值的標(biāo)準(zhǔn)差。

進(jìn)一步，所述步驟3的具體方法為：設(shè)問(wèn)題有n維決策變量，則輸入節(jié)點(diǎn)為n+2，種群適應(yīng)度為adapt，隨機(jī)數(shù)為random，父代種群為子代種群為輸出節(jié)點(diǎn)為n，wi＝[wi1,wi2,…,win]^t∈rn為初始隨機(jī)輸入權(quán)值，bi＝[bi1,bi2,…,bin]^t∈rn為初始隨機(jī)輸入偏置值，則該極限學(xué)習(xí)機(jī)公式為：

進(jìn)一步，所述步驟4的具體方法為：

首先，隨機(jī)生成單模式權(quán)重并用實(shí)數(shù)編碼組成染色體，形成初始種群；

然后，子種群一部分由遺傳算法通過(guò)最優(yōu)保留選擇方式、選擇算術(shù)交叉方式、動(dòng)態(tài)變異方式的遺傳三算子操作生成下一代種群；子種群另一部分由已經(jīng)訓(xùn)練好的極限學(xué)習(xí)機(jī)進(jìn)化機(jī)制來(lái)生成下一代種群；兩種機(jī)制根據(jù)計(jì)算得到的種群適應(yīng)度adapt的優(yōu)劣來(lái)判斷下一代子種群的分配比例，具體定義規(guī)則如下：

設(shè)問(wèn)題有n維決策變量，輸入節(jié)點(diǎn)為n+2，種群適應(yīng)度為adapt，隨機(jī)數(shù)為random，父代種群為子代種群為輸出節(jié)點(diǎn)為n，則種群適應(yīng)度函數(shù)公式如下：

其中，i為集成預(yù)報(bào)成員模式；t為預(yù)報(bào)時(shí)間點(diǎn)；m為成員個(gè)數(shù)；n為一次預(yù)報(bào)時(shí)間點(diǎn)數(shù)目；e為集成結(jié)果與實(shí)際數(shù)據(jù)的均方誤差；wi,t為第i個(gè)成員模式在第t個(gè)時(shí)間點(diǎn)上的權(quán)重系數(shù)；ri,t為該污染物第i個(gè)成員模式在第t個(gè)時(shí)間點(diǎn)的預(yù)報(bào)值；ri,t為第i個(gè)模式在預(yù)報(bào)時(shí)間點(diǎn)t的實(shí)況值；

根據(jù)兩種方法適應(yīng)度對(duì)子種群分配比例p進(jìn)行調(diào)整，兩種算法的適應(yīng)度分別為adapt1和adapt2，子種群分配比例p的計(jì)算公式如下：

在本步驟中，迭代終止條件為均方根誤差達(dá)到平衡，迭代到最優(yōu)解不再發(fā)生變化即終止迭代。

本發(fā)明的優(yōu)點(diǎn)和積極效果是：

本發(fā)明采用多種單模式預(yù)報(bào)作為算法輸入層，引入遺傳算子改進(jìn)極限學(xué)習(xí)機(jī)訓(xùn)練模型，利用改進(jìn)極限學(xué)習(xí)機(jī)優(yōu)秀的非線性映射能力改進(jìn)遺傳算法迭代速度慢，容易早熟的缺點(diǎn)；隨后，利用訓(xùn)練好的模型改進(jìn)遺傳算法迭代策略，在不斷迭代過(guò)程中改進(jìn)子代種群的搜索方向，加快搜索速度，達(dá)到精度高、收斂快的效果，可以較好發(fā)揮大氣污染物預(yù)報(bào)作用，其作為一種非線性、多模式的集成方法，不僅具有最優(yōu)的預(yù)報(bào)精度，而且有效降低了遺傳算法的迭代次數(shù)，縮短了時(shí)間成本。本發(fā)明在污染物濃度預(yù)報(bào)，包括溫度預(yù)報(bào)，降水預(yù)報(bào)，霧霾分析預(yù)報(bào)等領(lǐng)域，都具有較好的應(yīng)用價(jià)值。

附圖說(shuō)明

圖1為本發(fā)明的實(shí)現(xiàn)流程圖；

圖2為本發(fā)明在實(shí)驗(yàn)中涉及到co冬季各單模式方案篩選對(duì)比圖；

圖3為本發(fā)明在實(shí)驗(yàn)中涉及到co夏季各單模式方案篩選對(duì)比圖；

圖4為六種大氣污染物采用本發(fā)明方法及對(duì)比單模式和其他集成算法時(shí)的均方根誤差對(duì)比圖；

圖5為三種大氣污染物冬季、春季單月污染物濃度實(shí)況值與本發(fā)明及其他集成算法的預(yù)報(bào)值對(duì)比圖；

圖6為另三種大氣污染物冬季、春季單月污染物濃度實(shí)況值與本發(fā)明及其他集成算法的預(yù)報(bào)值對(duì)比圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明實(shí)施例做進(jìn)一步詳述：

本發(fā)明的設(shè)計(jì)原理為：采用多種單模式預(yù)報(bào)作為算法輸入層，引入遺傳算子改進(jìn)極限學(xué)習(xí)機(jī)訓(xùn)練模型，利用改進(jìn)極限學(xué)習(xí)機(jī)優(yōu)秀的非線性映射能力改進(jìn)遺傳算法迭代速度慢，容易早熟的缺點(diǎn)；隨后，利用訓(xùn)練好的模型改進(jìn)遺傳算法迭代策略，在不斷迭代過(guò)程中改進(jìn)子代種群的搜索方向，加快搜索速度，達(dá)到精度高、收斂快的效果。以下是兩種算法概述：

遺傳算法作為一種全局優(yōu)化算法，遺傳算法即通過(guò)對(duì)染色體上的基因進(jìn)行操作從而尋找優(yōu)良的染色體作為最優(yōu)解的問(wèn)題?；驹硎侨維向量x＝[x1,x2,...,xn]表示成由xi(i＝1,2,...,n)所組成的符號(hào)串，符號(hào)串中每一個(gè)xi看作成一個(gè)遺傳基因，則x作為由n個(gè)遺傳基因所組成的染色體鏈，多個(gè)染色體構(gòu)成的種群叫做初始種群。將假設(shè)的染色體置于問(wèn)題中，首先設(shè)定目標(biāo)函數(shù)對(duì)每個(gè)個(gè)體進(jìn)行評(píng)價(jià)，給出適應(yīng)度以評(píng)判染色體的優(yōu)劣程度。按照適者生存的原則，選出適應(yīng)度較高的個(gè)體進(jìn)行復(fù)制、交叉以及變異，產(chǎn)生適應(yīng)度更好的新一代種群，個(gè)體x適應(yīng)度越大，越趨近于最優(yōu)解。隨后，根據(jù)適應(yīng)度選取一定的個(gè)體作為下一代種群繼續(xù)進(jìn)化，如此進(jìn)行多次后，算法收斂于最好的染色體。

elm(extremelearningmachine)是一種新型神經(jīng)網(wǎng)絡(luò)算法。主要為克服傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)步長(zhǎng)難確定、迭代次數(shù)多、容易陷入局部最優(yōu)的缺點(diǎn)。elm網(wǎng)絡(luò)機(jī)構(gòu)及工作原理是：給定訓(xùn)練樣本集和隱層神經(jīng)元數(shù)l，其中xi＝[xi1,xi2,...,xin]^t∈rn，即為樣本的輸入值，ti＝[ti1,ti2,...,tin]^t∈rn，即為樣本的期望輸出值。存在ai,bi,βi使得:

其中，a＝[ai1,ai2,...,ain]為輸入層與隱藏層間第i個(gè)節(jié)點(diǎn)的連接權(quán)值；βi＝[βi1,βi2,...,βin]^t為隱藏層第i個(gè)節(jié)點(diǎn)與輸出層的連接權(quán)值；g(aixj+bi)為第i個(gè)隱層神經(jīng)元的輸出，g(·)為神經(jīng)元激活函數(shù)。還可以表示為hβ＝y(tǒng),h即為神經(jīng)網(wǎng)絡(luò)的隱含層輸出矩陣，具體形為:

通過(guò)實(shí)驗(yàn)研究發(fā)現(xiàn)，若給定任意不同的樣本(xi,ti)、任意小誤差ε(ε>0)和一個(gè)任意區(qū)間無(wú)限可微的激活函數(shù)g，則總存在一個(gè)含有k(k≤n)個(gè)隱含層神經(jīng)元的單隱層前饋神經(jīng)網(wǎng)絡(luò)，在隨機(jī)賦值初始權(quán)重和偏置的情況下，有||hn×mβm×n-t||<ε，隱藏節(jié)點(diǎn)數(shù)可在開(kāi)始指定，且在訓(xùn)練中保持不變。因此，當(dāng)激活函數(shù)g(xi)無(wú)限可微時(shí)，隱含層與輸出層間的連接權(quán)值通過(guò)求解以下的最小二乘值獲得。

h⁺為隱含層輸出矩陣h的廣義逆。

根據(jù)上述原理，本發(fā)明基于遺傳算法改進(jìn)的多模式污染物集成預(yù)報(bào)方法，如圖1所示，包括以下步驟：

步驟1、預(yù)處理：對(duì)原始樣本進(jìn)行數(shù)據(jù)整理，保證數(shù)據(jù)有效性并簡(jiǎn)化運(yùn)算。

如針對(duì)大氣污染物，將國(guó)家氣象局模式cuace、北京市氣象局模式bremps、歐洲氣溶膠動(dòng)力模式made(modelaerosoldynamicsmodelforeurope)、wrf-chem模式的局地三種邊界層方案myj、myn3和bl以及非局地邊界層方案ysu的天津區(qū)域自動(dòng)氣象站點(diǎn)資料進(jìn)行整理，取出2015年六種大氣污染物(no2,o3,pm2.5,pm10,co,so2)濃度數(shù)據(jù)，整理并處理極大、極小及缺失數(shù)據(jù)。在本實(shí)施例中，模式預(yù)報(bào)會(huì)隨季節(jié)變化呈現(xiàn)一定規(guī)律，過(guò)多選取樣本會(huì)造成計(jì)算量大且描述預(yù)報(bào)規(guī)律不準(zhǔn)確，導(dǎo)致過(guò)擬合。最佳方案是在分季節(jié)預(yù)報(bào)基礎(chǔ)上找到預(yù)報(bào)時(shí)刻最近30d的歷史數(shù)據(jù)作為訓(xùn)練樣本，即待集成數(shù)據(jù)所對(duì)應(yīng)訓(xùn)練樣本均為滾動(dòng)更新，每個(gè)樣本的實(shí)況值為網(wǎng)絡(luò)訓(xùn)練的輸出，所以輸出層神經(jīng)元為1。注意模型訓(xùn)練之前要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

步驟2、模式選?。簩?duì)處理后的樣本進(jìn)行顯著性檢驗(yàn)，用偏差、相關(guān)性選取單模式。

在本步驟中，模式選取具體包括以下步驟：采用集成多個(gè)單一預(yù)報(bào)模式的方法，針對(duì)春(3月-5月)夏(6月-8月)秋(9月-11月)冬(12月-2月)4個(gè)季節(jié)分別進(jìn)行單模式的選取。所用方法在滿足顯著性檢驗(yàn)基礎(chǔ)上，針對(duì)8種不同模式以及實(shí)況值通過(guò)相對(duì)偏差(standarddeviation，sd)和相關(guān)系數(shù)(correlationcoefficient,r)進(jìn)行篩選，其中，cp為模式模擬值，co為觀測(cè)值，表示所有數(shù)據(jù)的平均，σo、σp分別表示觀測(cè)值和模擬值的標(biāo)準(zhǔn)差。公式如下：

步驟3、引入遺傳算子改進(jìn)極限學(xué)習(xí)機(jī)(elm)：在極限學(xué)習(xí)機(jī)算法的設(shè)計(jì)中引入種群適應(yīng)度值來(lái)模擬選擇算子優(yōu)勝略汰的特點(diǎn)，引入隨機(jī)數(shù)來(lái)體現(xiàn)隨機(jī)變異的特點(diǎn)改進(jìn)輸出權(quán)重準(zhǔn)確度。

在本步驟中，利用elm良好的映射能力來(lái)刻畫遺傳算法中父代和子代之間的復(fù)雜非線性關(guān)系，具體過(guò)程為：引入種群適應(yīng)度值來(lái)模擬選擇算子優(yōu)勝略汰的特點(diǎn)，引入隨機(jī)數(shù)來(lái)體現(xiàn)隨機(jī)變異的特點(diǎn)。設(shè)問(wèn)題有n維決策變量，則輸入節(jié)點(diǎn)為n+2：種群適應(yīng)度adapt、隨機(jī)數(shù)random、父代種群子代種群輸出節(jié)點(diǎn)n，wi＝[wi1,wi2,…,win]^t∈rn為初始隨機(jī)輸入權(quán)值，bi＝[bi1,bi2,…,bin]^t∈rn為初始隨機(jī)輸入偏置值。elm進(jìn)化機(jī)制公式如下：

訓(xùn)練樣本的構(gòu)建是引入遺傳算子的elm進(jìn)化機(jī)制的關(guān)鍵，其中父代作為elm進(jìn)化機(jī)制的輸入，而子代作為輸出。引入的種群進(jìn)化代數(shù)evolution,映射出父代種群和子代種群的復(fù)雜非線性關(guān)系，獲得更好搜索方向和搜索范圍。evolution的選擇會(huì)影響種群收斂速度，種群進(jìn)化代數(shù)太少，進(jìn)化速度不快；進(jìn)化代數(shù)太多，訓(xùn)練后的進(jìn)化機(jī)制搜索方向時(shí)效性變差。為此，evolution的選擇通過(guò)實(shí)驗(yàn)仿真選取，且選取多代父種群和子種群以擴(kuò)大訓(xùn)練樣本，避免初始階段進(jìn)化不顯著的缺點(diǎn)。

步驟4、極限學(xué)習(xí)機(jī)改進(jìn)遺傳算法：使遺傳算法生成第一代子種群，子種群一部分由遺傳算法生成下一代種群；另一部分由已經(jīng)訓(xùn)練好的極限學(xué)習(xí)機(jī)進(jìn)化機(jī)制來(lái)生成下一代種群，從而得到更優(yōu)的搜索方向和搜索范圍。通過(guò)獲得更好的搜索方向減少迭代時(shí)間并獲得最優(yōu)預(yù)報(bào)值。

在本步驟中，采取elm結(jié)合改進(jìn)遺傳算法，表示為：首先隨機(jī)生成單模式權(quán)重并用實(shí)數(shù)編碼組成染色體，形成初始種群。隨后，子種群一部分由遺傳算法通過(guò)最優(yōu)保留選擇方式、選擇算術(shù)交叉方式、動(dòng)態(tài)變異方式的遺傳三算子操作生成下一代種群；另一部分由已經(jīng)訓(xùn)練好的elm進(jìn)化機(jī)制來(lái)生成下一代種群。兩種機(jī)制根據(jù)計(jì)算得到的種群適應(yīng)度adapt的優(yōu)劣來(lái)判斷下一代子種群的分配比例，具體定義規(guī)則如下：

假設(shè)設(shè)問(wèn)題有n維決策變量，則輸入節(jié)點(diǎn)為n+2：種群適應(yīng)度adapt、隨機(jī)數(shù)random、父代種群子代種群輸出節(jié)點(diǎn)n，種群適應(yīng)度函數(shù)公式如下：

其中，i為集成預(yù)報(bào)成員模式；t為預(yù)報(bào)時(shí)間點(diǎn)；m為成員個(gè)數(shù)；n為一次預(yù)報(bào)時(shí)間點(diǎn)數(shù)目；e為集成結(jié)果與實(shí)際數(shù)據(jù)的均方誤差；wi,t為第i個(gè)成員模式在第t個(gè)時(shí)間點(diǎn)上的權(quán)重系數(shù)；ri,t為該污染物第i個(gè)成員模式在第t個(gè)時(shí)間點(diǎn)的預(yù)報(bào)值；ri,t為第i個(gè)模式在預(yù)報(bào)時(shí)間點(diǎn)t的實(shí)況值；根據(jù)兩種方法適應(yīng)度對(duì)子種群分配比例進(jìn)行調(diào)整，兩種算法的適應(yīng)度adapt1，adapt2，公式如下：

在本步驟中，迭代終止條件為均方根誤差達(dá)到平衡，迭代到最優(yōu)解不再發(fā)生變化即終止迭代。

本發(fā)明對(duì)于每種大氣污染物精度預(yù)報(bào)均有提高：一氧化碳均方根誤差降低到0.46mg/m³,平均絕對(duì)誤差值降低到0.35mg/m³；二氧化氮均方根誤差降低到12.60mg/m³,平均絕對(duì)誤差值降低到9.36mg/m³；臭氧均方根誤差降低到17.25mg/m³,平均絕對(duì)誤差值降低到11.7mg/m³；pm2.5均方根誤差降低到30.21mg/m³,平均絕對(duì)誤差值降低到23.8mg/m³；pm10均方根誤差降低到60.50mg/m³,平均絕對(duì)誤差值降低到38.9mg/m³；so2均方根誤差降低到10.75mg/m³,平均絕對(duì)誤差值降低到7.76mg/m³。在算法的執(zhí)行時(shí)間上，改進(jìn)算法與遺傳算法相比，30天滾動(dòng)的分季節(jié)遺傳算法在四個(gè)季節(jié)中平均用時(shí)614.98s，引入遺傳算子的elm改進(jìn)遺傳算法集成預(yù)報(bào)用時(shí)281.79s。后者的執(zhí)行時(shí)間明顯更快。其中迭代總數(shù)500次中遺傳算法平均收斂次數(shù)為381次，引入遺傳算子的elm改進(jìn)遺傳算法網(wǎng)絡(luò)為247次。因此，本文算法可以滿足氣象預(yù)報(bào)中高時(shí)效性的要求，能在盡可能短的時(shí)間內(nèi)提供準(zhǔn)確性高的預(yù)報(bào)結(jié)果。

實(shí)驗(yàn)首先對(duì)八種單模式進(jìn)行選取。模式的選取采用各模式與實(shí)況值的顯著性分析檢驗(yàn)，顯示p-value大于0.01，小于0.05，表示差異顯著；p-value小于0.01，差異極顯著。針對(duì)顯著的模式方案進(jìn)行相關(guān)性r以及偏差t分析，相關(guān)性r采用統(tǒng)一標(biāo)準(zhǔn)：取絕對(duì)值后0＜r＜0.09為沒(méi)有相關(guān)性，0.1＜r＜0.3為相關(guān)，0.3＜r＜0.5為低度相關(guān)，0.5＜r＜0.8為中度相關(guān)，r≥0.8為高度相關(guān)。在相關(guān)性評(píng)價(jià)基礎(chǔ)上，偏差不宜過(guò)大。圖2和圖3為以co為例的各單模式方案在冬季和夏季的篩選對(duì)比圖。

圖4給出了全年天津站點(diǎn)6種大氣污染物均方根誤差的3種典型單模式以及svm算法、bp算法、遺傳算法與改進(jìn)算法的預(yù)報(bào)結(jié)果對(duì)比圖，按照春夏秋冬四個(gè)季節(jié)進(jìn)行預(yù)報(bào)，由圖可知：相較于三種單模式，四種集成模式均展現(xiàn)出了較好的均方根誤差能力，而引入遺傳算子的elm改進(jìn)遺傳算法模式又比其他三種集成模式更優(yōu)秀。改進(jìn)算法的co較單模式和集成算法均方根誤差降低0.05～0.40mg/m³,平均絕對(duì)誤差值降低0.02～0.34mg/m³；no2均方根誤差降低1.88～15.32mg/m³,平均絕對(duì)誤差值降低0.93～16.11mg/m³；o3均方根誤差降低5.72～21.67mg/m³,平均絕對(duì)誤差值降低0.13～16.85mg/m³；pm10均方根誤差降低3.20～21.80mg/m³,平均絕對(duì)誤差值降低0.69～6.86mg/m³；pm2.5均方根誤差降低3.03～20.06mg/m³,平均絕對(duì)誤差值降低0.07～9.08mg/m³；so2均方根誤差降低7.33～17.71mg/m³,平均絕對(duì)誤差值降低0.17～9.24mg/m³。其中冬季預(yù)報(bào)結(jié)果最優(yōu)，其次是秋季、春季，預(yù)報(bào)效果最不穩(wěn)定的是夏季。這與參與集成的多個(gè)模式各有優(yōu)劣且夏天受溫度、風(fēng)力等氣象因素影響較大相關(guān)，導(dǎo)致預(yù)報(bào)結(jié)果rmse的增長(zhǎng)。

圖4顯示出集成模式預(yù)報(bào)效果普遍高于單模式且冬季和夏季分別是預(yù)報(bào)效果最好和最不穩(wěn)定的季節(jié)，圖5、圖6采用6種大氣污染物的svm算法集成模式、bp算法集成模式、遺傳算法集成模式、引入遺傳算子的elm改進(jìn)遺傳算法集成模式與實(shí)況值的預(yù)報(bào)結(jié)果進(jìn)行對(duì)比分析，選取2015年預(yù)報(bào)效果最好的冬季單月以及預(yù)報(bào)較不穩(wěn)定的夏季單月。由圖5、圖6可知：(1)在預(yù)報(bào)效果最好的冬季，4種集成方法均有良好的精度，但從細(xì)節(jié)上可以看出改進(jìn)算法整體上更加貼近實(shí)況值。(2)預(yù)報(bào)效果最不穩(wěn)定的夏季，bp算法和遺傳算法因存在收斂不到最優(yōu)解，整體預(yù)報(bào)不穩(wěn)定的缺點(diǎn)，預(yù)測(cè)曲線與實(shí)況值有一定偏差。改進(jìn)算法集成預(yù)報(bào)利用elm改進(jìn)搜索方向，加快收斂速度，較其它三種集成方法明顯更加貼近實(shí)況值且穩(wěn)定，而svm雖然有少量預(yù)報(bào)結(jié)果比較貼近實(shí)況值，但整體上改進(jìn)算法精度更好。

綜上所述，本發(fā)明將過(guò)程劃分為讀取單模式大氣污染物濃度數(shù)據(jù)及預(yù)處理、模式選取、引入遺傳算子改進(jìn)極限學(xué)習(xí)機(jī)、極限學(xué)習(xí)機(jī)改進(jìn)遺傳算法四個(gè)階段，且考慮了季節(jié)性影響且設(shè)置30天動(dòng)態(tài)滾動(dòng)數(shù)據(jù)集。其中，與遺傳算法集成模型相比，改進(jìn)算法預(yù)測(cè)模型改進(jìn)elm算法輸入并模擬遺傳算子操作，運(yùn)用改進(jìn)的elm算法與遺傳算法相結(jié)合，具有收斂速度快，不易陷入局部最小的特點(diǎn)，可以較好發(fā)揮大氣污染物預(yù)報(bào)作用；從4個(gè)季節(jié)的預(yù)報(bào)效果看，各單數(shù)值模式在不同季節(jié)中會(huì)展現(xiàn)出不同的預(yù)報(bào)效果，采用選出的數(shù)值模式進(jìn)行集成預(yù)報(bào)均方根誤差較各個(gè)單模式預(yù)報(bào)有很大的改進(jìn)，且引入遺傳算子的elm改進(jìn)遺傳算法的集成方法均方根誤差較神經(jīng)網(wǎng)絡(luò)、svm集成預(yù)報(bào)更小。其中冬季預(yù)報(bào)結(jié)果最優(yōu)，其次是秋季、春季、夏季；從單季節(jié)的每天預(yù)報(bào)效果看，在預(yù)報(bào)精度較不穩(wěn)定的夏天，引入遺傳算子的elm改進(jìn)遺傳算法展現(xiàn)了較神經(jīng)網(wǎng)絡(luò)、svm集成算法更好的預(yù)報(bào)精度和整體穩(wěn)定度。實(shí)驗(yàn)證明，遺傳算法改進(jìn)的多模式污染物集成預(yù)報(bào)方法不僅具有最優(yōu)的預(yù)報(bào)精度，而且有效降低了遺傳算法的迭代次數(shù)，從而縮短了時(shí)間成本，本發(fā)明是對(duì)遺傳方法的一種有效改進(jìn)。

需要強(qiáng)調(diào)的是，本發(fā)明所述的實(shí)施例是說(shuō)明性的，而不是限定性的，因此本發(fā)明包括并不限于具體實(shí)施方式中所述的實(shí)施例，凡是由本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的技術(shù)方案得出的其他實(shí)施方式，同樣屬于本發(fā)明保護(hù)的范圍。